CN108230264A - 一种基于ResNet神经网络的单幅图像去雾方法 - Google Patents
一种基于ResNet神经网络的单幅图像去雾方法 Download PDFInfo
- Publication number
- CN108230264A CN108230264A CN201711305489.3A CN201711305489A CN108230264A CN 108230264 A CN108230264 A CN 108230264A CN 201711305489 A CN201711305489 A CN 201711305489A CN 108230264 A CN108230264 A CN 108230264A
- Authority
- CN
- China
- Prior art keywords
- image
- loss function
- neural networks
- resnet
- clear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000003595 mist Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明为基于ResNet神经网络的单幅图像去雾方法,实现了对有雾图像端到端的去雾清晰化处理,其步骤包括:获取同一个场景下的雨雾天气状况下的有雾图像及晴天的清晰图像,组成图像数据集;对图像数据集使用SIFT进行关键点匹配,校正图像的像素偏移;搭建一个基于ResNet的深度神经网络,其输入为单幅有雾的场景图像;使用所搭建的深度神经网络,实现对降质图像进行端到端的去雾清晰化处理。本发明使用了ResNet网络,能够较好地提取输入图像的特征,对特定场景下的有雾图像具有很好地去雾清晰化效果,图像视觉还原效果极佳。
Description
技术领域
本发明属于数字图像处理技术领域,尤其涉及一种基于ResNet神经网络的单幅图像去雾方法。
背景技术
室外成像系统由于受到空气中的水蒸气和尘埃等的影响,其清晰度大大地降低,图像整体泛白,纹理特征、细节信息丢失。另外,随着工业化的进程加快,大气污染日益严重,雾霾天气频繁出现使得大气能见度急剧减小,伴随着的问题使得室外成像更加困难,室外获得的图像清晰度远远达不到智能应用系统所需要的要求和人们日常室外拍照所需。降质退化的图像很大程度限制了图像本身的用途,例如图像分割、目标检测以及图像理解和分析的多方面的用途。因此,本发明的研究便是对雾天降质图像的复原和细节增强,基于深度卷积神经网络实现对输入图像的尽可能的清晰化处理,以尽可能地增强去雾效果。
目前的图像去雾技术主要可以分为两大类:基于传统图像增强技术的图像去雾和基于物理模型的去雾。其中基于非物理模型的图像增强方法依赖于直方图均衡技术突显有雾图像中我们所关注的场景和有用信息。这一类去雾算法的经典方法包括单尺度和多尺度的Retinex和CLAHE等。由于不考虑雾化图像的成因,不考虑图像的纹理特征,图像增强技术去雾后图像通常存在着去雾不彻底、颜色失真、细节信息丢失等问题。基于物理模型的去雾算法是对有雾图像成像进行建模并估算其中的相关参数进而求取清晰无雾的图像。该类方法在去雾上取得了很好的效果,在色彩还原、细节恢复等方面的处理比起基于图像增强的方法取得了更好的效果。但是,该类方法也存在着一定的难点,由于物理模型是一个欠定方程,需要从输入图像中估算较为多的参数,参数估计的精确与否对图像去雾的效果有着很大的影响。
发明内容
为了解决现有图像去雾技术所存在的计算量大、运算效率低、参数估计困难等一系列问题,本发明提供一种基于ResNet神经网络的单幅图像去雾方法,该方法通过设计一个ResNet深度卷积神经网络实现对有雾图像端到端的去雾清晰化处理,能够较好地提取输入图像的特征,对特定场景下的有雾图像具有很好地去雾清晰化效果,图像视觉还原效果极佳。
本发明采用如下技术方案来实现:一种基于ResNet神经网络的单幅图像去雾方法,包括以下步骤:
步骤一、获取同一个场景下的雨雾天气状况下的有雾图像及晴天的清晰图像,组成图像数据集,作为训练数据集;
步骤二、对步骤一中的图像数据集使用SIFT进行关键点匹配,校正图像的像素偏移;
步骤三、搭建一个基于ResNet的深度神经网络,ResNet神经网络输入为单幅有雾的场景图像;
步骤四、使用所搭建的深度神经网络,实现对降质图像进行端到端的去雾清晰化处理。
优选地,步骤三所搭建的ResNet神经网络包括多个卷积层和多尺度损失函数;多个卷积层包括一个对输入数据进行特征提取的卷积层和多个残差模块,每个残差模块包括2个卷积层。
优选地,所述卷积层有23个,23个卷积层包括一个对输入数据进行特征提取的卷积层和10个残差模块。
优选地,所述多尺度损失函数包括图像的色彩损失函数、图像纹理损失函数和图形细节信息损失函数;多尺度损失函数如下所示:
Ltotal=0.4*Ldetail+0.2*Ltexture+0.8*Lcolor
其中Lcolor为色彩损失函数,Ltexture为图像纹理损失函数,Ldetail为图像细节信息损失函数。
从以上技术方案可知,本发明首先使用网络摄像机采集同一场景不同天气状况的图像,所述的采集图像包括晴天的清晰图像及雨雾天气下的有雾图像,组成训练数据集;然后通过使用SIFT算法对图像像素偏移进行校正,使得预处理后的图像数据集可以用于后续的网络训练;然后本发明通过设计一个23层的ResNet深度卷积神经网络对有雾图像进行训练拟合模型,神经网络输出为清晰无雾的图像。本发明与传统去雾清晰化技术相比,具有以下优点和有益效果:
1、本发明使用深度神经网络实现了对有雾图像端到端的处理方式,减少了人为估计参数的步骤,对图像去雾效果更加理想。
2、本发明设计多尺度损失函数对神经网络进行优化训练,网络模型具有更好的泛化能力。
3、本发明能够较好地解决传统图像去雾清晰化算法容易出现Halo效应的问题。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明:
图1为本发明基于ResNet神经网络的单幅图像去雾方法的处理流程图;
图2为本发明基于ResNet神经网络的单幅图像去雾方法的神经网络结构图;
图3为本发明基于ResNet神经网络的单幅图像去雾方法去雾对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明做进一步详细说明,但本发明并不限于此。
实施例
本发明基于ResNet神经网络的单幅图像去雾方法,处理流程如图1所示,包括以下步骤:
步骤一、将网络摄像机固定在同一个场景下,通过远程操控获取不同天气状况下的图像组成训练数据集,其中数据集包括雨雾天气状况下的有雾图像及晴天的清晰图像。
由于客观天气状况原因,不能在一个时间段同时完成场景下的有雾图像及其对应清晰的图像,因此采集的图像通常存在着像素偏移的问题。本发明使用网络摄像机,固定在不同的场景下,通过远程控制图像的采集
步骤二、对步骤一中的图像数据集使用SIFT进行关键点匹配,校正图像的像素偏移,使得图像数据集可以更好地适用于神经网络的训练。
本步骤对图像数据集使用SIFT算法进行关键点匹配,实现对图像数据集的像素偏移进行校正。
步骤三、搭建一个基于ResNet的深度神经网络,ResNet神经网络输入为单幅有雾的场景图像。
所搭建的ResNet神经网络包括23个卷积层和多尺度损失函数。23个卷积层包括一个对输入数据进行特征提取的卷积层和10个残差模块,每个残差模块包括2个卷积层。本发明专利对每个卷积层之后增加了Batch Normal层,加快网络训练收敛速度并提高网络的性能。
上述多尺度损失函数包括图像的色彩损失函数、图像纹理损失函数和图形细节信息损失函数。色彩损失函数使用均方误差(MSE)进行衡量,由于直接对输出图像及其所对应的清晰图像进行均方误差衡量存在比较大的误差,因此本发明专利首先分别对输入图像和其对应的清晰图像进行高斯滤波模糊后,再计算两幅图像之间的均方误差。所述的均方误差损失函数如式(1)所示:
Lcolor(Youtput,Yclear)=||Youtput-Yclear||2 (1)
其中,Youtput表示高斯滤波模糊后的网络输出图像,Yclear表示高斯滤波模糊后采集到的清晰的图像。
图像纹理损失函数通过一个生成对抗网络(GAN)进行学习得到。图像纹理损失函数定义如式(2)所示:
其中FW表示生成对抗网络,D表示判别网络,Ioutput表示本发明专利所述的深度神经网络输出结果,Iclear表示数据集中的清晰图像。
图像细节信息损失函数如式(3)所示:
其中A、B表示分别对Yclear和Youtput图像进行Canny边缘检测所得的图像。
总的多尺度损失函数如式(4)所示:
Ltotal=0.4*Ldetail+0.2*Ltexture+0.8*Lcolor (4)
步骤四、使用所搭建的深度神经网络,实现对所获得的降质图像进行端到端的去雾清晰化处理。
本发明专利基于ResNet神经网络的单幅图像去雾方法对所述获得的降质图像进行去雾清晰化的效果如图3所示,其中(a)为所述获取的降质图像,(b)为利用本发明方法对降质图像的去雾清晰化结果图,(c)是经典图像去雾算法暗通道先验算法的处理结果。从图3中对比可以知道,本发明在图像雾气分布不均匀的情况下,能够很好地调节各区域雾气去雾的程度,对有雾图像的细节还原起到很好地效果,能够很好地恢复图像的有效信息。
如上所述,便可较好地实现本发明。
Claims (7)
1.一种基于ResNet神经网络的单幅图像去雾方法,其特征在于,包括以下步骤:
步骤一、获取同一个场景下的雨雾天气状况下的有雾图像及晴天的清晰图像,组成图像数据集,作为训练数据集;
步骤二、对步骤一中的图像数据集使用SIFT进行关键点匹配,校正图像的像素偏移;
步骤三、搭建一个基于ResNet的深度神经网络,ResNet神经网络输入为单幅有雾的场景图像;
步骤四、使用所搭建的深度神经网络,实现对降质图像进行端到端的去雾清晰化处理。
2.根据权利要求1所述的基于ResNet神经网络的单幅图像去雾方法,其特征在于,步骤三所搭建的ResNet神经网络包括多个卷积层和多尺度损失函数;多个卷积层包括一个对输入数据进行特征提取的卷积层和多个残差模块,每个残差模块包括2个卷积层。
3.根据权利要求1所述的基于ResNet神经网络的单幅图像去雾方法,其特征在于,所述卷积层有23个,23个卷积层包括一个对输入数据进行特征提取的卷积层和10个残差模块。
4.根据权利要求1所述的基于ResNet神经网络的单幅图像去雾方法,其特征在于,所述多尺度损失函数包括图像的色彩损失函数、图像纹理损失函数和图形细节信息损失函数;多尺度损失函数如下所示:
Ltotal=0.4*Ldetail+0.2*Ltexture+0.8*Lcolor
其中Lcolor为色彩损失函数,Ltexture为图像纹理损失函数,Ldetail为图像细节信息损失函数。
5.根据权利要求4所述的基于ResNet神经网络的单幅图像去雾方法,其特征在于,所述色彩损失函数使用均方误差进行衡量,首先分别对输入图像和其对应的清晰图像进行高斯滤波模糊后,再计算两幅图像之间的均方误差;均方误差损失函数如式(1)所示:
Lcolor(Youtput,Yclear)=||Youtput-Yclear||2 (1)
其中,Youtput表示高斯滤波模糊后的网络输出图像,Yclear表示高斯滤波模糊后采集到的清晰的图像。
6.根据权利要求4所述的基于ResNet神经网络的单幅图像去雾方法,其特征在于,所述图像纹理损失函数通过一个生成对抗网络进行学习得到;图像纹理损失函数定义如式(2)所示:
其中FW表示生成对抗网络,D表示判别网络,Ioutput表示深度神经网络输出结果,Iclear表示数据集中的清晰图像。
7.根据权利要求4所述的基于ResNet神经网络的单幅图像去雾方法,其特征在于,所述图像细节信息损失函数如式(3)所示:
其中A、B表示分别对高斯滤波模糊后采集到的清晰图像Yclear和高斯滤波模糊后的网络输出图像Youtput进行Canny边缘检测所得的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711305489.3A CN108230264B (zh) | 2017-12-11 | 2017-12-11 | 一种基于ResNet神经网络的单幅图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711305489.3A CN108230264B (zh) | 2017-12-11 | 2017-12-11 | 一种基于ResNet神经网络的单幅图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108230264A true CN108230264A (zh) | 2018-06-29 |
CN108230264B CN108230264B (zh) | 2020-05-15 |
Family
ID=62653455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711305489.3A Active CN108230264B (zh) | 2017-12-11 | 2017-12-11 | 一种基于ResNet神经网络的单幅图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230264B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086668A (zh) * | 2018-07-02 | 2018-12-25 | 电子科技大学 | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 |
CN109166144A (zh) * | 2018-07-20 | 2019-01-08 | 中国海洋大学 | 一种基于生成对抗网络的图像深度估计方法 |
CN109255769A (zh) * | 2018-10-25 | 2019-01-22 | 厦门美图之家科技有限公司 | 图像增强网络的训练方法和训练模型、及图像增强方法 |
CN109300090A (zh) * | 2018-08-28 | 2019-02-01 | 哈尔滨工业大学(威海) | 一种基于亚像素和条件对抗生成网络的单幅图像去雾方法 |
CN109685737A (zh) * | 2018-12-24 | 2019-04-26 | 华南农业大学 | 一种图像去雾方法 |
CN109685750A (zh) * | 2018-12-14 | 2019-04-26 | 厦门美图之家科技有限公司 | 图像增强方法及计算设备 |
CN109801232A (zh) * | 2018-12-27 | 2019-05-24 | 北京交通大学 | 一种基于深度学习的单幅图像去雾方法 |
CN109859120A (zh) * | 2019-01-08 | 2019-06-07 | 北京交通大学 | 基于多尺度残差网络的图像去雾方法 |
CN109934791A (zh) * | 2019-04-02 | 2019-06-25 | 山东浪潮云信息技术有限公司 | 一种基于风格迁移网络的图像去雾方法及系统 |
CN110363727A (zh) * | 2019-07-24 | 2019-10-22 | 中国人民解放军火箭军工程大学 | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 |
CN110717873A (zh) * | 2019-10-09 | 2020-01-21 | 安徽建筑大学 | 一种基于多尺度残差的交通标识去模糊检测识别算法 |
CN110738624A (zh) * | 2019-10-18 | 2020-01-31 | 电子科技大学 | 一种区域自适应的图像去雾系统及方法 |
CN110807749A (zh) * | 2019-11-06 | 2020-02-18 | 广西师范大学 | 基于密集多尺度生成对抗网络的单幅图像去雨滴方法 |
CN111401384A (zh) * | 2020-03-12 | 2020-07-10 | 安徽南瑞继远电网技术有限公司 | 一种变电设备缺陷图像匹配方法 |
CN109410144B (zh) * | 2018-10-31 | 2020-11-27 | 聚时科技(上海)有限公司 | 一种基于深度学习的端到端图像去雾处理方法 |
RU2742346C1 (ru) * | 2020-07-02 | 2021-02-04 | Самсунг Электроникс Ко., Лтд. | Устранение размытия изображения |
CN113256541A (zh) * | 2021-07-16 | 2021-08-13 | 四川泓宝润业工程技术有限公司 | 利用机器学习对钻井平台监控画面进行去水雾的方法 |
CN113689343A (zh) * | 2021-03-31 | 2021-11-23 | 西安理工大学 | 一种Resnet计算Veil的单幅图像去雾方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719247A (zh) * | 2016-01-13 | 2016-06-29 | 华南农业大学 | 基于特征学习的单幅图像去雾方法 |
CN106651766A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络的图像风格迁移方法 |
CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
-
2017
- 2017-12-11 CN CN201711305489.3A patent/CN108230264B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719247A (zh) * | 2016-01-13 | 2016-06-29 | 华南农业大学 | 基于特征学习的单幅图像去雾方法 |
CN106651766A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络的图像风格迁移方法 |
CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086668A (zh) * | 2018-07-02 | 2018-12-25 | 电子科技大学 | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 |
CN109086668B (zh) * | 2018-07-02 | 2021-05-14 | 电子科技大学 | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 |
CN109166144A (zh) * | 2018-07-20 | 2019-01-08 | 中国海洋大学 | 一种基于生成对抗网络的图像深度估计方法 |
CN109166144B (zh) * | 2018-07-20 | 2021-08-24 | 中国海洋大学 | 一种基于生成对抗网络的图像深度估计方法 |
CN109300090A (zh) * | 2018-08-28 | 2019-02-01 | 哈尔滨工业大学(威海) | 一种基于亚像素和条件对抗生成网络的单幅图像去雾方法 |
CN109255769A (zh) * | 2018-10-25 | 2019-01-22 | 厦门美图之家科技有限公司 | 图像增强网络的训练方法和训练模型、及图像增强方法 |
CN109410144B (zh) * | 2018-10-31 | 2020-11-27 | 聚时科技(上海)有限公司 | 一种基于深度学习的端到端图像去雾处理方法 |
CN109685750A (zh) * | 2018-12-14 | 2019-04-26 | 厦门美图之家科技有限公司 | 图像增强方法及计算设备 |
CN109685737A (zh) * | 2018-12-24 | 2019-04-26 | 华南农业大学 | 一种图像去雾方法 |
CN109801232A (zh) * | 2018-12-27 | 2019-05-24 | 北京交通大学 | 一种基于深度学习的单幅图像去雾方法 |
CN109859120A (zh) * | 2019-01-08 | 2019-06-07 | 北京交通大学 | 基于多尺度残差网络的图像去雾方法 |
CN109859120B (zh) * | 2019-01-08 | 2021-03-02 | 北京交通大学 | 基于多尺度残差网络的图像去雾方法 |
CN109934791A (zh) * | 2019-04-02 | 2019-06-25 | 山东浪潮云信息技术有限公司 | 一种基于风格迁移网络的图像去雾方法及系统 |
CN110363727A (zh) * | 2019-07-24 | 2019-10-22 | 中国人民解放军火箭军工程大学 | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 |
CN110717873A (zh) * | 2019-10-09 | 2020-01-21 | 安徽建筑大学 | 一种基于多尺度残差的交通标识去模糊检测识别算法 |
CN110738624A (zh) * | 2019-10-18 | 2020-01-31 | 电子科技大学 | 一种区域自适应的图像去雾系统及方法 |
CN110738624B (zh) * | 2019-10-18 | 2022-02-01 | 电子科技大学 | 一种区域自适应的图像去雾系统及方法 |
CN110807749A (zh) * | 2019-11-06 | 2020-02-18 | 广西师范大学 | 基于密集多尺度生成对抗网络的单幅图像去雨滴方法 |
CN110807749B (zh) * | 2019-11-06 | 2022-11-25 | 联友智连科技有限公司 | 基于密集多尺度生成对抗网络的单幅图像去雨滴方法 |
CN111401384A (zh) * | 2020-03-12 | 2020-07-10 | 安徽南瑞继远电网技术有限公司 | 一种变电设备缺陷图像匹配方法 |
RU2742346C1 (ru) * | 2020-07-02 | 2021-02-04 | Самсунг Электроникс Ко., Лтд. | Устранение размытия изображения |
CN113689343A (zh) * | 2021-03-31 | 2021-11-23 | 西安理工大学 | 一种Resnet计算Veil的单幅图像去雾方法 |
CN113256541A (zh) * | 2021-07-16 | 2021-08-13 | 四川泓宝润业工程技术有限公司 | 利用机器学习对钻井平台监控画面进行去水雾的方法 |
CN113256541B (zh) * | 2021-07-16 | 2021-09-17 | 四川泓宝润业工程技术有限公司 | 利用机器学习对钻井平台监控画面进行去水雾的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108230264B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230264A (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
CN108269244B (zh) | 一种基于深度学习和先验约束的图像去雾系统 | |
CN105225210B (zh) | 一种基于暗通道的自适应直方图增强去雾方法 | |
US20210049744A1 (en) | Method for image dehazing based on adaptively improved linear global atmospheric light of dark channel | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN106780356A (zh) | 基于卷积神经网络和先验信息的图像去雾方法 | |
CN107958465A (zh) | 一种基于深度卷积神经网络的单幅图像去雾方法 | |
CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN105976337B (zh) | 一种基于中值引导滤波的图像去雾方法 | |
CN112365414B (zh) | 一种基于双路残差卷积神经网络的图像去雾方法 | |
CN107330871A (zh) | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 | |
CN112200746B (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
CN104809709A (zh) | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 | |
CN107360344A (zh) | 监控视频快速去雾方法 | |
CN108022225A (zh) | 基于快速导向滤波改进的暗通道先验图像去雾算法 | |
CN106846258A (zh) | 一种基于加权最小平方滤波的单幅图像去雾方法 | |
CN110827221A (zh) | 一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法 | |
CN111325688B (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
CN104717400A (zh) | 一种监控视频的实时去雾方法 | |
CN105427266B (zh) | 一种信息损耗约束的沙尘图像清晰化方法 | |
CN105898111A (zh) | 一种基于谱聚类的视频去雾方法 | |
CN114219732A (zh) | 基于天空区域分割和透射率细化的图像去雾方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |